鲁棒区分难样本
通过预测一致性区分困难样本与噪声样本，结合关键表情重采样与双流层次网络，提升动态表情识别的鲁棒性。
刘峰 · Wang, Hanyang · Si-Yuan, Shen
IEEE Transactions on Biometrics, Behavior, and Identity Science 2025
通过模型对同一视频不同剪辑片段的预测一致性来区分困难样本与噪声样本，从而对困难样本强化学习，对噪声样本降低干扰。
关键表情重采样框架定位视频中的主要表情，减少非目标表情带来的混淆，提升表征学习能力。
双流层次网络使用两个序列模型分别解耦短时面部运动和长时情绪变化，增强对动态表情的建模能力。